长合同越往后越丢内容，先查切分还是先查页面图像，取决于缺失是否固定在某个页段重复出现。一个可执行的顺序是：先做分页级日志，把“哪一页开始缺”定位出来；再固定图像只改切分跑一次，固定切分只改后半段图像跑一次。两次对照之后，问题通常能落到切分边界或页面图像质量中的一条线上。如果日志还没做，先不要改切分参数，因为改完后丢失位置会移动，反而更难比对。

长合同解析到后半段出现段落缺失或重复，建议按“日志定位 → 切分单变量对照 → 图像单变量对照 → 定稳定处理上限”的顺序排查。判断依据是每页输出块数、字符数与前一页相比是否突变，以及同一页在两次运行中的输出差异；风险边界是不要在一次运行里同时改切分和图像，否则无法归因。若缺失集中在文档末端固定页段，优先怀疑分页切分与页序衔接；若缺失随页面清晰度、方向、扫描质量变化，则优先怀疑页面图像。两种线索都存在时，仍应逐条单变量验证。

先给每页打上处理日志

没有分页日志时，只能看到“整篇少了几段”，无法判断是哪一页开始丢。建议在解析流程里给每一页落一条记录，至少包含：页码、该页耗时、该页输出块数、该页输出字符数、错误标记。输出块数比字符数更能反映结构被切碎或合并的情况，两者一起看，才能区分“内容没识别出来”和“块被合并且顺序错乱”。

下面的脚本骨架只是通用写法，字段名和落盘方式按你实际流程替换；把它放在每页解析完成之后执行，写成一个独立函数即可。

import json, time

def log_page(page_no, page_file, fn_parse):
    t0 = time.time()
    err = ""
    blocks, chars = 0, 0
    try:
        result = fn_parse(page_file)      # 替换为实际的单页解析调用
        blocks = len(result.get("blocks", []))
        chars  = sum(len(b.get("text", "")) for b in result.get("blocks", []))
    except Exception as e:
        err = type(e).__name__ + ":" + str(e)[:120]
    rec = {
        "page_no": page_no,
        "page_file": page_file,
        "cost_ms": int((time.time() - t0) * 1000),
        "out_blocks": blocks,
        "out_chars": chars,
        "error": err
    }
    with open("page_trace.jsonl", "a", encoding="utf-8") as f:
        f.write(json.dumps(rec, ensure_ascii=False) + "\n")
    return rec

验证方式很简单：随机抽几页，把 out_chars 与人工看到的页内文字量做粗略对比，确认日志本身没有统计偏差。日志里不要只留最终结果，错误标记也要留，因为有些页不是“输出为空”，而是输出了少量块并抛出异常，这两种情况处理方向不同。

找出内容开始缺失的那一页

把 page_trace.jsonl 按页码排序，统计每页 out_blocks 与 out_chars，并与前一页对比。合同类文档单页文字量一般比较接近，如果第 N 页开始出现连续多页输出量明显低于前面页面的均值，突变点附近就是排查起点。这里不追求精确阈值，先看相对变化：某页字符数掉到前一页的一小部分且后续没有恢复，比单页小幅波动更值得关注。

同时要把日志页码与原文档页数对齐。扫描件里常出现空白页、分隔页、印章页，它们本身输出就少，容易误判成缺失。建议在日志旁边加一列人工标注的页类型（正文页/空白页/图表页），对照表如下：

• 页码：解析流程内的顺序号，必须与 PDF 页序一致，不要用文件名排序。
• out_blocks：突变判断的主指标，连续下降比单页下降更可信。
• out_chars：用于区分“块数正常但每块变短”和“块数直接减少”。
• error：有错误的页单独列出来，不参与均值比较。
• 页类型：人工抽标若干页，排除空白页干扰。

做完这一步，问题范围就从“整篇越往后越丢”缩到“从第 X 页起，到第 Y 页明显偏低”。如果偏低段只出现在末尾几页，切分策略的嫌疑上升；如果偏低段与页面扫描质量差的页重合，图像线索上升。两者都可能存在，所以下一步要单变量验证。

单独改切分策略再跑一次

固定输入图像不变，只调整页切分方式，比如从固定字符数切块改成按页或按段落边界切块，或者调整跨页合并窗口。两次运行的日志字段保持一致，落到不同文件，再按页码做对照表，比较每页 out_blocks 和 out_chars 的差异。

判读时看两类现象：如果改切分后，原先缺失的那几页输出量恢复，且其他页没有明显退化，说明分页衔接或跨页合并规则是主因；如果改切分后缺失位置只是整体平移、总量不变，说明切分不是根因。需要注意，改切分本身会改变块边界，块数变化不等于内容找回，最终仍要抽几页人工核对文本是否连续、有没有跨页重复。

单独改输入图像再跑一次

固定切分策略不变，只对后半段页面做图像修正：统一方向、提高有效分辨率、去掉扫描噪点或重做倾斜校正。前半段页面保持原样作为对照。再次跑分页日志，比较修正页在两次运行中的 out_blocks 与 out_chars。

如果修正后缺失页的输出量明显回升，同时前半段未修正页的结果基本不变，图像质量就是这段丢失的主要解释。如果修正后输出量没有改善甚至更差，说明问题不在这几页的成像，应回到切分与页序衔接上继续查。图像修正不要一次叠加多个处理，先只做方向校正，再做清晰度处理，才能知道哪一步起了作用。

确认长文档的稳定处理上限

两次单变量对照之后，建议用同一份日志确定这份文档在当前配置下能整篇处理到多少页。做法是从头按页累加 out_chars，找出从哪一页之后输出量持续偏低且无法通过单页重试恢复，这个页数就是当前的稳定处理上限，通常需要结合具体文档类型和环境确认，不同扫描质量的合同会有差别。

超过上限后，建议按章节或固定页区间拆分，例如每 20 到 30 页一组，组间保留一页重叠用于校验。拆分后要校验拼接结果：检查相邻组的首尾段落是否重复或断裂，比较分组处理的总块数与整篇处理的块数是否在同一量级，并抽查每组最后一页和下一组第一页是否连续。对拆分后仍出现缺失的页，单独重跑并记录，不要为了掩盖缺失而放宽切分粒度。